本發明涉及醫療，特別涉及基于醫療大模型的疾病預測與預防系統、方法及介質。

背景技術：

1、醫療大模型是指通過對醫學數據進行深度學習訓練得到的具有復雜性和高準確性的數學模型。這些模型結合了深度學習和大數據技術，能夠處理復雜的數據關系，提供更準確的預測和診斷結果，醫療大模型的基本原理是基于深度學習神經網絡構建的，具有大量的參數和層級結構；醫療大模型能夠為醫療專業人員提供疾病預測和風險評估的新工具，這些工具旨在提高疾病診斷的準確性，促進個性化的健康管理計劃，以及實現疾病預防策略的精準化，隨著醫療數據量的爆炸性增長和計算技術的不斷進步，開發能夠高效處理這些數據并提供準確預測的ai模型成為了可能。

2、然而，盡管現有的技術已取得一定的進步，但仍面臨若干關鍵挑戰和技術難題，首先，如何有效地整合和處理來自不同源的多維度健康數據，保證數據的質量和一致性，是構建高效預測模型的前提，其次，現有模型在提高疾病預測的準確性和模型泛化能力方面還有待加強，特別是在面對復雜疾病和少見疾病時，在預測出疾病時缺乏應對疾病預防的操作。

技術實現思路

1、本發明提供一種基于醫療大模型的疾病預測與預防系統、方法及介質，用以解決背景技術中提出的問題。

2、一種基于醫療大模型的疾病預測與預防系統，包括：

3、數據獲取模塊，用于獲取患者的多維度健康數據，并對所述多維度健康數據進行預處理得到目標多維度健康數據；

4、模型建立模塊，用于基于健康評價指標，結合深度學習建立醫療大模型，并基于歷史患者數據進行醫療大模型優化，得到目標醫療大模型；

5、疾病預測模塊，用于基于目標醫療大模型對目標多維度健康數據進行疾病預測，得到疾病預測結果；

6、疾病預防模塊，用于將疾病預測結果與疾病預防信息進行匹配，根據匹配結果生成疾病預防策略。

7、優選的，所述數據獲取模塊，包括：

8、掃描單元，用于從對患者的各項檢查單以及醫生對患者的診斷結果進行掃描，得到健康信息；

9、匹配單元，用于從健康信息中提取健康屬性和健康值，基于健康屬性與多維度健康模板進行匹配，根據匹配結果將健康值配置到對應的多維度健康模板對應的位置上，得到多維度健康數據；

10、處理單元，用于基于模型數據需求，對所述多維度健康數據進行預處理，得到目標多維度健康數據。

11、優選的，所述處理單元，包括：

12、特征獲取單元，用于從模型數據需求中獲取標準數據特征，確定對維度健康數據的初始數據特征；

13、方式確定單元，用于從數據預處理方式表中獲取初始數據特征到標準數據特征的目標數據預處理方式；

14、數據處理單元，用于按照所述目標數據預處理方式對所述對維度健康數據進行預處理，得到目標多維度健康數據。

15、優選的，所述模型建立模塊，包括：

16、指標分析單元，用于從健康評價指標中獲取每個疾病類型對應的評價指標集合，并確定每個評價指標集合的疾病指標范圍和健康指標范圍；

17、模型建立單元，用于基于疾病類型及其應的評價指標集合的疾病指標范圍和健康指標范圍之間的數值關系，選取機器學習算法，建立得到醫療大模型；

18、數據標注單元，用于基于所述疾病類型確定第一標注規則，基于疾病類型對應的評價指標集合的疾病指標范圍和健康指標范圍，建立第二標注規則，并基于所述第一標注規則和第二標注規則對歷史患者數據進行標記，得到含有第一標注和第二標注的標注數據；

19、數據處理單元，用于對所述標注數據中的標注特征進行數據提取，得到關鍵數據，并基于醫療大模型的模型數據要求，對所述關鍵數據進行特征形式轉換，得到目標關鍵數據；

20、數據劃分單元，用于將所述目標關鍵數據按照預設比例隨機劃分為多組訓練-驗證數據組；

21、訓練單元，用于基于所述訓練-驗證數據組對目標醫療大模型進行多次訓練驗證，得到中間醫療大模型；

22、優化單元，用于將所述中間醫療大模型應用于醫療實際環境中進行優化，得到目標醫療大模型。

23、優選的，所述優化單元，包括：

24、應用單元，用于獲取處理醫療測試期間的中間醫療大模型在醫療實際環境中應用結果，從應用結果中獲取預測信息和反饋信息；

25、結果分析單元，用于基于反饋信息確定對所述預測信息的預測評估結果，基于所述預測評估結果對中間醫療大模型進行優化，得到目標醫療大模型。

26、優選的，所述疾病預測模塊，包括：

27、預測單元，用于將所述目標多維度健康數據輸入所述目標醫療大模型中，得到異常健康數據，健康數據走勢以及疾病預測結果；

28、展示單元，用于將所述異常健康數據，健康數據走勢以及疾病預測結果進行圖表和文字展示。

29、優選的，所述疾病預防模塊，包括：

30、曲線分析單元，用于從疾病預測結果獲取健康指標異常值，并基于全部健康指標異常值生成健康異常指標值曲線，將所述健康異常指標值曲線與標準異常指標值值曲線進行比對，得到差異曲線；

31、閾值判斷單元，用于將所述差異曲線與曲線閾值進行對比，判斷是否有曲線點不在所述曲線閾值的范圍內；

32、若是，基于健康指標異常值的指標類型，從疾病預防信息中匹配與指標類型對應的多個疾病預防措施，并將多個疾病預防措施作為目標疾病預防措施；

33、否則，基于曲線點的取值與曲線閾值之間的數值差異，對所述多個疾病預防措施進行調整，得到多個調整疾病預防措施，并將多個調整疾病預防措施作為目標疾病預防措施；

34、策略確定單元，用于基于多個目標疾病預防措施之間的預防效果，對多個目標疾病預防措施進行簡化，得到多個優化疾病預防措施，并基于多個優化疾病預防措施的時間關聯和操作關聯，對多個優化疾病預防措施進行執行順序和執行間隔的確定，得到疾病預防策略。

35、優選的，閾值判斷單元中基于曲線點的取值與曲線閾值之間的數值差異，對所述多個疾病預防措施進行調整，得到多個調整疾病預防措施具體為：

36、基于每個疾病預防措施的可波動特征，確定對每個疾病預防措施的調整權重，基于數值差異確定對每個疾病預防措施的調整值；

37、基于調整權重和調整值的乘積，確定對疾病預防措施的目標調整值，并按照所述目標調整值對疾病預防措施進行調整，得到調整疾病預防措施。

38、一種基于醫療大模型的疾病預測與預防系統的預防方法，包括：

39、s1：獲取患者的多維度健康數據，并對所述多維度健康數據進行預處理得到目標多維度健康數據；

40、s2：基于健康評價指標，結合深度學習建立醫療大模型，并基于歷史患者數據進行醫療大模型優化，得到目標醫療大模型；

41、s3：基于目標醫療大模型對目標多維度健康數據進行疾病預測，得到疾病預測結果；

42、s4：將疾病預測結果與疾病預防信息進行匹配，根據匹配結果生成疾病預防策略。

43、一種存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如基于醫療大模型的疾病預測與預防方法的步驟。

44、與現有技術相比，本發明取得了以下有益效果：

45、通過獲取患者的多維度健康數據，并對所述多維度健康數據進行預處理得到目標多維度健康數據，實現對多維度健康數據的處理，保證數據的質量和一致性，為模型構建提供基礎，基于健康評價指標，結合深度學習建立醫療大模型，并基于歷史患者數據進行醫療大模型優化，得到目標醫療大模型，實現對模型的建立和優化，保證模型的準確性和模型泛化能力，基于目標醫療大模型對目標多維度健康數據進行疾病預測，得到疾病預測結果，保證基于模型預測疾病的準確性，最后，將疾病預測結果與疾病預防信息進行匹配，根據匹配結果生成疾病預防策略，實現基于疾病預測結果下的疾病預防，為患者提供全面的醫療信息。

46、本發明的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過在本技術文件中所特別指出的結構來實現和獲得。

47、下面通過附圖和實施例，對本發明的技術方案做進一步的詳細描述。